本文將給大家介紹6個十分可怕但還鮮為人知的人工智慧/機器學習專案，囊括了一些潛在的機器學習以及人工智慧的新想法。它們基本都是Python專案。
1. Live Loss Plot
這是一個由Piotr migdaet al提供的開源Python庫，可以在Jupyter Notebook中為Keras、PyTorch和其他框架提供訓練損失圖像。當使用Keras時，Live Loss Plot是一個簡單的回調函數。
2. Magnitude
Magnitude是一個快速、簡單的向量嵌入實用程式庫。它是由Plasticity開發的一個功能豐富的Python庫和向量存儲檔格式，以快速、高效、簡單地進行機器學習模型中的向量嵌入。它主要是為Gensim提供一個更簡單和更快的替代方案，但也可以用作NLP之外的領域的通用密鑰向量存儲。repo提供了各種流行的嵌入模型的鏈接，這些模型已經以量級的格式做好了準備，還包括將任何其他的單詞嵌入檔轉換成相同格式的指令。
如何導入？
from pymagnitude import *
vectors = Magnitude("/path/to/vectors.magnitude")
Github repo中有更多資訊，包括你熟悉的使用這個簡化的庫來做預先訓練的單詞嵌入。
3. Yellowbrick
Yellowbrick是以一個“促進機器學習模型選擇的可視化分析和診斷工具”。更確切地，Yellowbrick是一套視覺診斷的可視化工具，它擴展了scikit-learn API，以引導人們選擇模型。簡單地說，Yellowbrick將scikit-learn與matplotlib結合在一起，這是scikit-learn文檔的傳統優點，但它可以為您的模型生成可視化！
請參閱Github上的示例以及更多詳細的文檔。
4. Parfit
這個專案來自Jason Carpenter，他是三藩市大學數據科學碩士研究生，同時也是一名機器學習工程師。這個庫可以將sklearn機器學習模型的擬合和評分情況並行化和可視化。一旦導入，您可以自由地使用bestFit()或其他函數。
5. textgenrnn
textgenrnn為文本生成任務帶來了額外的抽象層，目的在於能讓你“輕鬆在任何文本數據集上僅用幾行代碼就訓練自己的文本生成神經網路”。
該專案建立在Keras上，並擁有以下功能：
一種新的神經網路架構，利用新技術作為注意力加權和跳躍嵌入來加速訓練模型和提高模型品質。
能夠在字元級或文字級上訓練並生成文本。
能夠配置RNN大小，RNN的層數，以及是否使用雙向RNN。
能夠在任何輸入文本檔上進行訓練，甚至包括大型檔。
能夠在GPU上訓練模型，然後用它們來生成含有CPU的文本。
能夠在GPU上使用強大的CuDNN實現RNN，與典型的LSTM實現相比，這將大大加快訓練時間。
Textgenrnn很容易上手及運行。
6.動手實踐工具：
Voice Kit作為一款語音工具，可以連接雲服務，如 Google 的 Assistant SDK 或者 Cloud Speech API 均可，也可以使用自身系統，其自身採用的系統很簡單，為全球流行的樹莓派（Raspberry Pi）。
用戶可在此基礎上創建虛擬語音助手、為自己的專案添加語音交互功能。Voice Kit 的組成，主要有聲音捕捉、回放附件，非常易用的連接器、子板、揚聲器、微伺服系統等等。
AIY Vision Kit包括紙板外殼、按鈕、揚聲器、以及Raspberry Pi Zero WH，Raspberry Pi 相機，SD卡等等。這款酷炫的盒子套件的電腦視覺功能均由附帶的Vision Bonnet板控制。
VisionBonnet板是該專案的核心，採用Intel Movidius MA2450晶片。 這種低功率視覺處理單元能夠運行神經網路模型來識別物體。
1. Live Loss Plot
這是一個由Piotr migdaet al提供的開源Python庫，可以在Jupyter Notebook中為Keras、PyTorch和其他框架提供訓練損失圖像。當使用Keras時，Live Loss Plot是一個簡單的回調函數。
2. Magnitude
Magnitude是一個快速、簡單的向量嵌入實用程式庫。它是由Plasticity開發的一個功能豐富的Python庫和向量存儲檔格式，以快速、高效、簡單地進行機器學習模型中的向量嵌入。它主要是為Gensim提供一個更簡單和更快的替代方案，但也可以用作NLP之外的領域的通用密鑰向量存儲。repo提供了各種流行的嵌入模型的鏈接，這些模型已經以量級的格式做好了準備，還包括將任何其他的單詞嵌入檔轉換成相同格式的指令。
如何導入？
from pymagnitude import *
vectors = Magnitude("/path/to/vectors.magnitude")
Github repo中有更多資訊，包括你熟悉的使用這個簡化的庫來做預先訓練的單詞嵌入。
3. Yellowbrick
Yellowbrick是以一個“促進機器學習模型選擇的可視化分析和診斷工具”。更確切地，Yellowbrick是一套視覺診斷的可視化工具，它擴展了scikit-learn API，以引導人們選擇模型。簡單地說，Yellowbrick將scikit-learn與matplotlib結合在一起，這是scikit-learn文檔的傳統優點，但它可以為您的模型生成可視化！
請參閱Github上的示例以及更多詳細的文檔。
4. Parfit
這個專案來自Jason Carpenter，他是三藩市大學數據科學碩士研究生，同時也是一名機器學習工程師。這個庫可以將sklearn機器學習模型的擬合和評分情況並行化和可視化。一旦導入，您可以自由地使用bestFit()或其他函數。
5. textgenrnn
textgenrnn為文本生成任務帶來了額外的抽象層，目的在於能讓你“輕鬆在任何文本數據集上僅用幾行代碼就訓練自己的文本生成神經網路”。
該專案建立在Keras上，並擁有以下功能：
一種新的神經網路架構，利用新技術作為注意力加權和跳躍嵌入來加速訓練模型和提高模型品質。
能夠在字元級或文字級上訓練並生成文本。
能夠配置RNN大小，RNN的層數，以及是否使用雙向RNN。
能夠在任何輸入文本檔上進行訓練，甚至包括大型檔。
能夠在GPU上訓練模型，然後用它們來生成含有CPU的文本。
能夠在GPU上使用強大的CuDNN實現RNN，與典型的LSTM實現相比，這將大大加快訓練時間。
Textgenrnn很容易上手及運行。
6.動手實踐工具：
Voice Kit作為一款語音工具，可以連接雲服務，如 Google 的 Assistant SDK 或者 Cloud Speech API 均可，也可以使用自身系統，其自身採用的系統很簡單，為全球流行的樹莓派（Raspberry Pi）。
用戶可在此基礎上創建虛擬語音助手、為自己的專案添加語音交互功能。Voice Kit 的組成，主要有聲音捕捉、回放附件，非常易用的連接器、子板、揚聲器、微伺服系統等等。
AIY Vision Kit包括紙板外殼、按鈕、揚聲器、以及Raspberry Pi Zero WH，Raspberry Pi 相機，SD卡等等。這款酷炫的盒子套件的電腦視覺功能均由附帶的Vision Bonnet板控制。
VisionBonnet板是該專案的核心，採用Intel Movidius MA2450晶片。 這種低功率視覺處理單元能夠運行神經網路模型來識別物體。
請按此登錄後留言。未成為會員? 立即註冊